数据分析指北-基础

数据分析指北 - 基础(基础数据操作之二，读取数据源)

如何读取文件数据（以CSV文件举例）和数据库数据。

Photo by Ksenia Kudelkina on Unsplash

微信公众号：数据分析指北

数据源

文件

数据库

本次作业

数据源

对上节的数据还有印象吗？作业有做吗？让我们从上次的数据继续说起。

示例数据

真实世界中的数据存在于各种地方，文件中，网页中，数据库中，甚至是剪贴板中。

文件

其中，文件分为多种类型，Excel的 XLS 文件，普通的 CSV 文件（逗号分隔文件），JSON文件，HDF5文件等等。以 CSV 文件为例，上面的示例数据可能是这样被记录的：

很简单，就是约定了以“,”分隔列中不同的数据，以自然的行来区分数据中不同的行。除了用逗号做为分隔符之外，还可以用其他的标识符，比如分号“;”，句号“。”或其他什么，只要格式遵从这个列分隔的约定就可以。

人们使用 CSV 文件，主要原因就是他其实是一个文本文件（并附加了一些格式进行约定），在所有的平台下都是可以直接打开阅读的。这一点而不像xls，数据库等存储数据的方式 – 需要安装特定的软件，才能查看数据。

对 CSV 文件观察一下，除了之前说的约定的分隔符之外，有可能你拿到的数据有一些 “意外”，比如没有表头，即没有 “班,姓名,性别,出生年月,身高,数学,英语” 那一行；开始时有几行空行；再或者有一些行比其他行短 - 短的主要原因是，那一行后面有一些列没有数据了，就没有写。

哦，对了，在处理中文数据的时候还有可能有关于文件编码的问题绊住你。

对于这样一个约定好了格式，但却仍然有上面所说的“意外”情况的 CSV 文件，在每个分析软件中，都有一些标准的方法去读取。

比如 Python (Pandas库)中就是函数, 函数的参数就是上面说的几种情况，外加一些处理“意外”的参数。

在 Excel 中，在导入的时候也是有类似的选项，如下图所示：

Excel CSV的导入过程

在 R 这门统计语言中，CSV 文件是按照如下方式读取的。即使还不懂这门语言，看着下面语句，也能猜个八九不离十了。

Matlab 中，来完成这件事。

KNIME 中（之前的附录作业中已经让你安装了哦），配置下 CSV 模块的参数就可以，大同小异：

KNIME CSV 模块配置选项

其余的文件类型，以及网页类型（也归类为文件类型），其实只是格式的约定差异而已，不再赘言。

数据库

数据库种类繁多，不同的数据库有不同的约定连接方式。为简便起见，这里只大概聊两句 KNIME 是怎么连接的。KNIME 底层是由 JAVA 语言写成的，在 JAVA 的世界中，有一个叫做JDBC（Java DataBase Connectivity）的标准，这个标准制定了怎样用 JAVA 去连接数据库，以及怎样在数据库中进行增加，删除，修改，查询（简称为增删改查，CRUD）等一系列操作。各个数据库厂商只需要根据这个标准，制定自己家数据库的相应驱动，就可以在 JAVA 程序中通过 JDBC 接口连接数据库了。下图中的灰色节点，就是各个数据库厂家提供的相应驱动。

JAVA 程序通过 JDBC 接口连接各种数据库

KNIME 中，需要做的就是，把需要的灰色驱动节点下载下来，然后配置一下就好了。具体如何做，请参照

本次作业

我已经给你准备好了 CSV 数据，在 KNIME 的小工程（workflow）中配置好了 CSV 模块，并把把结果导出成了一个文件。

你需要做的就是，把这个 workflow 想办法导入到你的 KNIME 中，然后试着操作得到下面的结果：

导入 CSV 最终效果图